深度学习 3d 数据集，准备管道的最佳方法是什么？哪种算法最好？
Deep learning for 3d datasets, what is the best way to prepare a pipeline? and which algorithm would be best?
所以我有一个点云或一个 3D 网格，每个网格包含以下数据 (features/attributes)：网格类型（建筑物、树木、草地、土壤或空白）。但是 space 类型“建筑物”具有子属性，例如电导率和反射值。此外，单元格的属性还有一些适用于整个数据集的其他属性，这些属性的示例有风速、温度等。我想知道哪种深度学习算法有助于根据我上面解释的 3d 属性预测每个网格单元（仅在 x、y 方向）的气温值。另外，为此准备管道的最佳方法是什么？目标是在我为训练模型提供具有几何模型信息、风向和风速的数据集时预测气温值）
这是我有 300 张图像的示例图像（有图像，我有每个网格单元的所有属性的数据集，以及气温值）。图像在 60x60x60 单元格的立方体中建模，当单元格包含建筑物时，space 类型设置为“建筑物”，当单元格有空气时，space 类型设置为“空白”等等……，正如我提到的，每个“建筑”单元格都包含额外的子属性。我试图预测的值是每个空白单元格（建筑物周围）在 x,y 平面（假设高度 z=2）处的空气温度值，在此图像中，x,y 平面是彩色平面.我有数字值，而不仅仅是彩色平面。
这也是我拥有的一小部分数据和结果（y 值 = 空气温度）。
您的问题是 3D 的事实并不意味着您的数据集必须是。
在我看来，这是一个非常直接的机器学习问题，您可以将数据重新格式化为一个数据集，每行包含：单元格位置 (x, y, z)、cell type、sub_attribute... 和目标：temperature.
所需的预处理将取决于您选择的模型类型，有些不支持 categorical 输入，有些则支持。
如果您愿意，可以使用深度学习，但它们通常不适用于分类变量，因此您必须对所有文本信息进行编码，而 300 个实例对于训练这种模型来说非常小。
作为第一步，您可能会更幸运地使用 Random Forest 算法。
所以我有一个点云或一个 3D 网格，每个网格包含以下数据 (features/attributes)：网格类型（建筑物、树木、草地、土壤或空白）。但是 space 类型“建筑物”具有子属性，例如电导率和反射值。此外，单元格的属性还有一些适用于整个数据集的其他属性，这些属性的示例有风速、温度等。我想知道哪种深度学习算法有助于根据我上面解释的 3d 属性预测每个网格单元（仅在 x、y 方向）的气温值。另外，为此准备管道的最佳方法是什么？目标是在我为训练模型提供具有几何模型信息、风向和风速的数据集时预测气温值）
这是我有 300 张图像的示例图像（有图像，我有每个网格单元的所有属性的数据集，以及气温值）。图像在 60x60x60 单元格的立方体中建模，当单元格包含建筑物时，space 类型设置为“建筑物”，当单元格有空气时，space 类型设置为“空白”等等……，正如我提到的，每个“建筑”单元格都包含额外的子属性。我试图预测的值是每个空白单元格（建筑物周围）在 x,y 平面（假设高度 z=2）处的空气温度值，在此图像中，x,y 平面是彩色平面.我有数字值，而不仅仅是彩色平面。
这也是我拥有的一小部分数据和结果（y 值 = 空气温度）。
您的问题是 3D 的事实并不意味着您的数据集必须是。
在我看来，这是一个非常直接的机器学习问题，您可以将数据重新格式化为一个数据集，每行包含：单元格位置 (x, y, z)、cell type、sub_attribute... 和目标：temperature.
所需的预处理将取决于您选择的模型类型，有些不支持 categorical 输入，有些则支持。
如果您愿意，可以使用深度学习，但它们通常不适用于分类变量，因此您必须对所有文本信息进行编码，而 300 个实例对于训练这种模型来说非常小。
作为第一步，您可能会更幸运地使用 Random Forest 算法。